Publisher

UNPAMUNPAM

Journal Jurnal Informatika Universitas PamulangJurnal Informatika Universitas Pamulang Abstract

Nilai akurasi dari suatu algoritma klasifikasi menunjukkan baik tidaknya algoritma tersebut dalam pengklasifikasian data yang bisa mempengaruhi hasil dari metode klasifikasi tersebut dalam pengolahan data mining. Pada penelitian ini, penulis akan melakukan analisis pengaruh dari optimasi menggunakan metode adaboost dan bagging terhadap hasil dari nilai akurasi algoritma klasifikasi pada support vector machine, decision trees, dan neural network. Penelitian ini menggunakan salah satu perangkat lunak dalam pengolahan data mining yaitu menggunakan aplikasi Weka versi 3.8.1. Metode test yang digunakan adalah percentage split sebesar 70%. Pada penelitian ini didapatkan hasil bahwa optimasi adaboost mampu meningkatkan nilai akurasi dari algoritma support vector machine dari 88.93% menjadi 89.10%, decision trees dari 90.24% menjadi 90.36%, maupun neural network dari 88.53% menjadi 88.61%, sedangkan untuk optimasi bagging hanya mampu meningkatkan algortima decision trees menjadi 90.55%, dan neural network menjadi 90.38%, karena nilai akurasi pada algoritma support vector machine sama nilainya dengan nilai akurasi dari bagging yaitu sebesar 88.93%.

Conclusion

Dari hasil penelitian yang membandingkan antara optimasi adaboost dan bagging ini pada algoritma support vector machine, decision trees, dan neural network pada dataset bank marketing dapat disimpulkan beberapa hal sesuai tujuan dari penelitian ini, di antaranya.Jumlah iterasi yang diberikan pada parameter aplikasi Weka mampu mempengaruhi nilai dari akurasi dari optimasi menggunakan adaboost dan bagging baik pada algortima support vector machine, decision trees, maupun neural network.Pada algoritma support vector machine optimasi adaboost mampu meningkatkan nilai akurasi lebih besar dari pada optimasi bagging.Pada algoritma decision trees dan neural network, optimasi bagging mampu meningkatkan nilai akurasi lebih besar dari pada optimasi adaboost.

Future Research

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, penelitian selanjutnya dapat berfokus pada penggabungan teknik adaboost dan bagging untuk melihat apakah kombinasi keduanya dapat menghasilkan akurasi yang lebih tinggi dibandingkan masing-masing teknik secara terpisah. Kedua, penelitian dapat dilakukan untuk mengeksplorasi parameter-parameter lain dalam algoritma klasifikasi, seperti kernel function pada SVM atau jumlah hidden layer pada neural network, dan bagaimana optimasi adaboost dan bagging dapat mempengaruhi kinerja algoritma dengan parameter yang berbeda-beda. Ketiga, penelitian dapat diperluas dengan menggunakan dataset yang lebih kompleks dan beragam, serta mempertimbangkan faktor-faktor lain yang dapat mempengaruhi akurasi klasifikasi, seperti kualitas data dan pemilihan fitur yang relevan. Dengan demikian, penelitian lanjutan ini diharapkan dapat memberikan kontribusi yang lebih signifikan dalam pengembangan algoritma klasifikasi yang lebih akurat dan efisien untuk berbagai aplikasi data mining.

Metadata

File size	353.79 KB
Pages	14
DMCA	Report